0

我创建了以下网络。这个想法是结合 和 的输出left，right然后发送到 LSTM 模型。

EMBED_DIM = 4
look_back = 6
feature_num = 2
ENCODE_DIM = 676

left = Sequential()
left.add(Dense(EMBED_DIM,input_shape=(ENCODE_DIM,)))
left.add(RepeatVector(look_back))
left.add(Reshape((look_back,EMBED_DIM)))

right = Sequential()
right.add(Lambda(lambda x: x,input_shape=(look_back,feature_num)))


# create and fit the LSTM network
model = Sequential()
model.add(Concatenate([left, right], axis = 2,input_shape=(look_back, EMBED_DIM + feature_num) ))
model.add(LSTM(8, input_shape=(look_back,feature_num + EMBED_DIM)))

model.add(Dense(2))
model.compile(loss='mean_squared_error', optimizer='adam')

我试图连接左右输出，然后将新张量发送到 LSTM 模型。

但是，我收到以下错误：

TypeError                                 Traceback (most recent call last)
<ipython-input-156-275f5597cdad> in <module>()

---> 37 model.add(Concatenate([left, right], axis = 2,input_shape=(look_back, EMBED_DIM + feature_num) ))
     38 model.add(LSTM(8, input_shape=(look_back,feature_num + EMBED_DIM)))
     39 

TypeError: __init__() got multiple values for argument 'axis'

知道我做错了什么吗？我可以添加一个Concatenate图层作为模型的第一层吗？谢谢！

4

1 回答 1

2

顺序模型并不意味着有分支。使用功能 API 模型。

让我们从左侧和右侧获取“张量”：

leftOutput = left.output    
rightOutput = right.output

现在，这Concatenate是一个遵循所有其他层的相同逻辑的层。（首先创建它，然后使用输入张量调用它）：

#first parentheses: create the layer / second parentheses: call the layer with inputs
output = Concatenate(axis=2)([leftOutput,rightOutput])

让我们将模型的其余部分也保留为函数式 API：

output = LSTM(8)(output)
output = Dense(2)(output)

现在我们创建模型，告诉它输入和输出是什么：

inputTensorLeft = left.input
inputTensorRight = right.input    

fullModel = Model([inputTensorLeft,inputTensorRight], output)

请注意，您最终得到了三个模型，但其中一个包含另外两个。它们共享相同的权重。如果您正在训练共享路径，则训练一个将训练其他人。

于 2017-11-16T05:04:22.660 回答